1.一种多源异构图像序列融合的闪电临近预测方法，其特征在于，包括以下步骤：S1，获取雷达图像序列、卫星红外云图序列和闪电定位图像序列，对各类数据进行预处理后构建输入张量；

S2，构建由地理一致性划分模块、时空同质化模块、跨模态融合模块和非自回归解码器模块组成的闪电预测模型；

由地理一致性划分模块将输入张量划分为非重叠地理子图，再经时空同质化模块处理得到同构特征；

通过跨模态融合模块对同构特征进行通道‑空间注意力融合，生成融合时空特征；

利用非自回归解码器模块对融合时空特征进行处理，输出高分辨率闪电概率场，实现未来1小时闪电临近预测；

S3，对闪电预测模型进行训练和优化，保存最佳的闪电预测模型用于闪电预测；

其中，得到同构特征的步骤包括：

SA1,对地理子图在所有时间步进行空间特征嵌入，得到每一个地理子图的空间特征集，T表示时间序列长度， 为数据源s在第t个时间步的空间特征；

SA2，对每个地理子图，将空间特征集 作为输入序列，通过轻量化时间注意力模块进行时间特征嵌入，得到时间步的融合特征；

SA3，对时间步的融合特征进行全局平均池化，得到当前地理子图最终的同构特征；

所述非自回归解码器模块对融合时空特征进行处理时，结合PixelShuffle上采样输出高分辨率闪电概率场，实现未来1小时闪电临近预测；实现步骤如下：SB1，定义N个可学习查询向量 ，每个查询向量对应未来一个时间步的潜在空间表示，则预测帧数量为N；

SB2，将融合时空特征 展平为token序列，在时间维度复制多次后输入Transformer解码器，与可学习查询向量进行交叉注意力计算，输出未来各时间步的隐特征表示；通过PixelShuffle上采样层对隐特征表示进行空间分辨率恢复，将隐特征表示映射至与闪电标签一致的栅格尺寸；

SB3，通过1×1的卷积层将上采样后的特征映射至单通道，得到闪电概率预测图。

2.根据权利要求1所述多源异构图像序列融合的闪电临近预测方法，其特征在于，对雷达图像序列进行最大‑最小归一化处理，对卫星红外云图序列进行均值‑标准差归一化处理，对闪电定位图像序列进行指数归一化处理。

3.根据权利要求1所述多源异构图像序列融合的闪电临近预测方法，其特征在于，所述空间特征嵌入的实现步骤如下：S11，对于每一个数据源 ，在每一个地理子图内，对每一个时间步提取对应的原始观测特征向量 ，其中， 、 和 分别为数据源s的地理子图所对应的通道数、高度和宽度，表示实数集；

S12，通过由两层线性层组成的嵌入网络，将所有原始观测特征向量 展平后投影至统一的高维嵌入空间：，

其中， 和 分别为可训练的权重矩阵， 和 分别为对应的偏置向量， 为激活函数， 为嵌入后的特征。

4.根据权利要求1所述多源异构图像序列融合的闪电临近预测方法，其特征在于，通过轻量化时间注意力模块进行时间特征嵌入的实现步骤如下：S21，将输入序列 中每个时间步的嵌入向量与对应的时间位置编码向量相加，得到带时间位置信息的嵌入序列 ： ，

其中， 为第t个时间步的位置编码向量，其计算表达式如下： ，

其中，t为时间步索引，i为嵌入维度索引，d为嵌入维度；

S22，将带时间位置信息的嵌入序列 输入多头自注意力机制，将 线性投影为查询、键和值：， ， ；

其中， 、 、 分别为权重矩阵，Q、、V分别为查询、键和值；单头注意力的输出为：，

其中， 表示第t个时间步在第j个注意力头下的加权聚合结果， 是比例因子； 表示 的转置；

S23，将单头注意力的输出 沿特征维度拼接，并经线性变换，得到该时间步的融合特征 表示为：，

其中，j=1，2，3，...h；h为注意力头的总数量， 为权重矩阵。

5.根据权利要求1所述多源异构图像序列融合的闪电临近预测方法，其特征在于，得到融合时空特征的实现步骤如下：S201，将所有数据源的地理子图的同构特征在通道维度拼接，得到特征矩阵 ；利用通道注意力子模块对特征矩阵E沿空间维度计算全局平均池化与最大池化，通过共享线性层生成通道注意力权重，公式如下：，

其中， 、 分别为可训练权重，为Sigmoid激活函数， 为通道注意力权重矩阵； 为激活函数， 表示平局池化， 表示最大池化；

S202，将通道注意力权重矩阵 广播至联合特征矩阵的空间维度并逐元素相乘，得到通道增强特征 ；

S203，利用空间注意力子模块对通道增强特征 沿通道维度计算全局平均池化与最大池化，通过卷积层生成空间注意力权重，公式如下：，

其中， 表示卷积操作， 表示通道拼接， 为空间注意力权重矩阵；

S204，将空间注意力权重矩阵 与通道增强特征 逐元素相乘，得到最终融合时空特征，计算公式如下：，

其中， 表示融合时空特征， 表示逐元素相乘。